基于CNN-GRU组合神经网络的数控机床进给系统热误差研究

作     者：孙兴伟 杨铜铜 杨赫然 董祉序 刘寅 Sun Xingwei;Yang Tongtong;Yang Heran;Dong Zhixu;Liu Yin

作者机构：沈阳工业大学机械工程学院沈阳110870 辽宁省复杂曲面数控制造技术重点实验室沈阳110870 

出 版 物：《仪器仪表学报》 (Chinese Journal of Scientific Instrument)

年 卷 期：2023年第44卷第10期

页      面：219-226页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080901[工学-物理电子学] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：辽宁省应用基础研究计划项目(2022JH2/101300214) 2022年度辽宁省教育厅高等学校基本科研项目面上项目(LJKMZ20220459)资助 

主　　题：模糊C均值聚类 灰色关联度分析 进给系统 温度敏感点 误差预测 

摘      要：热变形引起的误差是影响数控机床精度的主要因素之一。为了减小热误差对数控机床精度的影响,提出一种基于CNN-GRU组合神经网络的热误差预测方法。通过热误差实验,采集螺旋曲面专用数控机床直线进给系统的温升数据和热误差数据;利用模糊C均值聚类和灰色关联度分析筛选进给系统温度敏感点;以温度敏感点的温升数据和进给系统热误差为数据样本,建立CNN-GRU热误差预测模型。为验证模型的准确性和实用性,与基于CNN-LSTM和基于LSTM的传统热误差预测模型进行预测对比分析,结果表明CNN-GRU模型预测结果的平均绝对误差、均方根误差和决定系数均优于CNN-LSTM模型和LSTM模型,具有较高的预测精度和鲁棒性。提供的热误差模型可为后续误差补偿奠定基础,为数控机床的热误差预测提供思路。